TECHNISCHES GEBIET

Die vorliegende Erfindung betrifft allgemein das technische Gebiet der gebäudetechnischen Anlagen und insbesondere der Steuerung gebäudetechnischer Anlagen, die beispielsweise Sonnenschutz- und/oder Beleuchtungsanlagen umfassen können.

HINTERGRUND

Gebäudetechnische Anlagen umfassen alle fest installierten technischen Anlagen innerhalb und außerhalb von Gebäuden, die der funktionsgerechten Nutzung von Gebäuden dienen. Solche Anlagen sind beispielsweise für die Funktion des Gebäudes nötig oder erhöhen den Nutzerkomfort und/oder die Sicherheit. Beispielsweise umfassen gebäudetechnische Anlagen Sonnenschutzanlagen, Beleuchtungsanlagen, Brandmeldeanlagen, Einbruchmeldeanlagen, Photovoltaikanlagen oder Zutrittskontrollanlagen.

Gebäudetechnische Anlagen werden teilweise auch als haustechnische Anlagen, technische Gebäudeausrüstung oder als Versorgungstechnik bezeichnet.

Die Montage von gebäudetechnischen Anlagen an Gebäuden erfolgt typischerweise durch technisches Fachpersonal. Dabei werden neben der eigentlichen Anlage Bedienelemente zur Verfügung gestellt, so dass ein Benutzer eigene Einstellungen vornehmen kann, d. h. die Parametrierung der jeweiligen gebäudetechnischen Anlage an seine Präferenzen anpassen kann, insbesondere an seine situationsbedingten Präferenzen oder an seine durch Umgebungsbedingungen bedingten Präferenzen.

Ferner werden häufig regelbasierte Steuergeräte für die gebäudetechnischen Anlagen vorgesehen, die beispielsweise anhand von vordefinierten Regeln und Messwerten von Sensoreinrichtungen eine Parametrierung der jeweiligen gebäudetechnischen Anlage festlegen. Die Sensoreinrichtungen sind zur Messung von Umgebungsbedingungen vorgesehen und können beispielsweise Lichtsensoren oder Temperatursensoren umfassen. Einem Benutzer kann, je nach Konfiguration, die Möglichkeit gegeben werden, auf die Regeln Einfluss zu nehmen und diese an seine Präferenzen anzupassen. Der Zweck derartiger regelbasierter Steuergeräte ist es, den Benutzerkomfort zu erhöhen und das Erfordernis von Bedienungen der Bedienelemente zu verringern. Die Festlegung der Regeln stellt jedoch für viele Benutzer eine Herausforderung dar. Eine Festlegung von Regeln oder Änderung voreingestellter Regeln, so dass die Regeln die Präferenzen eines Benutzers adäquat abbilden, erfordert zunächst eine Kenntnis der Präferenzen des Benutzers, beispielsweise eine bestimmte Raumtemperatur oder eine bestimmte Beleuchtungsstärke. Ferner ist eine korrekte Übersetzung dieser Präferenzen des Benutzers in eine Regel erforderlich. Diese Übersetzung erfolgt regelmäßig durch den Benutzer selbst und wird nicht unterstützt. Oftmals wird ein Raum ferner von verschiedenen Personen genutzt, die unterschiedliche Präferenzen haben können. Insgesamt kommt es in der Praxis beim Einsatz gebäudetechnischer Anlagen daher oft dazu, dass Bedienelemente manuell bedient werden müssen, um den Präferenzen der Benutzer gerecht zu werden. Mit anderen Worten: Die Möglichkeit zur Festlegung von Regeln oder zur Änderung voreingestellter Regeln verringert das Erfordernis einer manuellen Bedienung von Bedienelementen nur geringfügig.

Vor diesem Hintergrund ist es die Aufgabe der vorliegenden Erfindung, ein Verfahren bereitzustellen, welches den Benutzerkomfort gebäudetechnischer Anlagen erhöht und damit die oben genannten Nachteile des Standes der Technik zumindest zum Teil zu überwinden.

ZUSAMMENFASSUNG

Die Aufgabe der vorliegenden Erfindung wird gelöst durch die Gegenstände der unabhängigen Ansprüche.

Erfindungsgemäß ist ein computer-implementiertes Verfahren zur Bestimmung einer Parametrierung einer gebäudetechnischen Anlage vorgesehen. Das Verfahren kann ein Empfangen eines mittels zumindest einer Sensoreinrichtung erfassten Umgebungsbedingungszustands umfassen. Das Verfahren kann ein Bestimmen einer Anzahl in einer Datenbank gespeicherter Umgebungsbedingungszustände, welche ein Ähnlichkeitskriterium hinsichtlich des erfassten Umgebungsbedingungszustands erfüllen, umfassen. Falls die Anzahl kleiner als ein vorgegebener Anzahlschwellwert ist, kann das Verfahren ein Bestimmen der Parametrierung der gebäudetechnischen Anlage anhand mindestens einer vordefinierten Parametrierungsregel oder, falls die Anzahl größer oder gleich als der vorgegebene Anzahlschwellwert ist, ein Bestimmen der Parametrierung der gebäudetechnischen Anlage anhand eines maschinellen Lernmodells umfassen. Eine gebäudetechnische Anlage kann eine fest installierte oder mobile technischen Anlage innerhalb oder außerhalb eines Gebäudes sein, die der funktionsgerechten Nutzung des Gebäudes dient. Beispiele für gebäudetechnische Anlagen sind insbesondere Sonnenschutzanlagen, Klimaanlagen, Heizungsanlagen, Beleuchtungsanlagen, Brandmeldeanlagen, Einbruchmeldeanlagen, Photovoltaikanlagen, Zutrittskontrollanlagen oder Anlagen, die mehrere der vorstehenden Funktionen in einer Anlage kombinieren. Bevorzugt ist das computer-implementierte Verfahren vorgesehen zur Bestimmung einer Parametrierung einer als Sonnenschutz- und Beleuchtungsanlage ausgebildeten gebäudetechnischen Anlage.

Ein Umgebungsbedingungszustand kann auf einen oder mehrere Messzeitpunkte bezogen sein, in denen der Zustand einer Umgebung einer gebäudetechnischen Anlage, beispielsweise die Temperatur, die Lichtverhältnisse oder die Windstärke und/oder Windrichtung gemessen wird bzw. werden. Der Umgebungsbedingungszustand kann ferner allgemein verfügbare Informationen über den Zustand der Umgebung der gebäudetechnischen Anlage umfassen, beispielsweise eine Uhrzeit oder ein Datum. Ferner kann der Umgebungsbedingungszustand eine aktuell vorliegende Parametrierung bzw. Einstellung einer jeweiligen gebäudetechnischen Anlage umfassen. Insofern ist ein Umgebungsbedingungszustand als ein oder mehrere durch einen Benutzer wahrnehmbare oder überprüfbare Umgebungsbedingungen zu verstehen.

Die zumindest eine Sensoreinrichtung kann konfiguriert sein, um einen Umgebungsbedingungszustand in Form von Messdaten zu erfassen und kann insbesondere mehrere Sensoren aufweisen, beispielsweise einen ersten Temperatursensor für die Temperatur außerhalb des Gebäudes, einen zweiten Temperatursensor für die Temperatur innerhalb des Gebäudes, einen Lichtsensor und/oder einen Windsensor. Es kann insbesondere ein Skalieren des Umgebungsbedingungszustands und/oder der Parametrierung vorgesehen sein. Besonders bevorzugt werden die mittels der zumindest einen Sensoreinrichtung erfassten Messdaten skaliert. Die Skalierung eines Umgebungsbedingungszustands und/oder einer Parametrierung kann, beispielsweise wenn der Umgebungsbedingungszustand und/oder die Parametrierung als Vektor vorliegt bzw. vorliegen, in einem Wertebereich zwischen 0 und 1 erfolgen.

Ein Umgebungsbedingungszustand x_1 kann beispielsweise fünf Informationen x_1_1 , x_1_2, x_1_3, x_1_4, x_1_5 über die Umgebung enthalten und in Form eines Vektors von Messwerten vorliegen. Die Werte x_1_1 , x_1_2, x_1_3, x_1_4, x_1_5 können vorzugsweise ganz oder teilweise skaliert sein oder nach der Messung bzw. Aufnahme skaliert werden, insbesondere auf einen Wertebereich zwischen 0 und 1. Der Wert x_1_1 kann dabei beispielsweise ein skalierter Messwert eines Lichtsensors sein. Der Wert x_1_2 kann beispielsweise ein skalierter Messwert eines Temperatursensors sein. Der Wert x_1_3 kann beispielsweise ein skalierter Messwert eines Windsensors sein. Der Wert x_1_4 kann beispielsweise ein nicht-skalierter Messwert eines Raumbelegungssensors sein, der Informationen über die Anzahl von Personen in einem jeweiligen Raum erfasst. Der Wert x_1_5 kann beispielsweise eine nicht-skalierte Uhrzeit sein.

Im Sinne der vorliegenden Erfindung kann zwischen erfassten Umgebungsbedingungszuständen und gespeicherten Umgebungsbedingungszuständen unterschieden werden. Ein erfasster Umgebungsbedingungszustand kann ein zu einem aktuellen Zeitpunkt, insbesondere zur Laufzeit des Verfahrens, vorliegender Umgebungsbedingungszustand sein. Ein gespeicherter Umgebungsbedingungszustand kann ein in einer Datenbank gespeicherter Umgebungsbedingungszustand sein, der beispielsweise zu einem früheren Zeitpunkt vorgelegen haben kann oder für die Inbetriebnahme der gebäudetechnischen Anlage vorgegeben worden sein kann. In einer Datenbank können somit zu einem früheren Zeitpunkt erfasste oder im Vorfeld zur Verfügung gestellte Umgebungsbedingungszustände gespeichert werden. Insbesondere gespeicherte Umgebungsbedingungszustände können paarweise mit zugehörigen Parametrierungen der gebäudetechnischen Anlage in der Datenbank abgelegt sein. Eine Parametrierung zu einem Umgebungsbedingungszustand umfasst beispielsweise die Einstellung einer Sonnenschutzanlage und die Einstellung einer Beleuchtung im Raum.

Im Verfahrensschritt des Bestimmens einer Anzahl in einer Datenbank gespeicherter Umgebungsbedingungszustände, welche ein Ähnlichkeitskriterium hinsichtlich des erfassten Umgebungsbedingungszustands erfüllen, kann die Unterschiedlichkeit und/oder Ähnlichkeit des erfassten Umgebungsbedingungszustands zu den gespeicherten Umgebungsbedingungszuständen überprüft werden. Diese Überprüfung kann, wenn die Umgebungsbedingungszustände wie oben beschrieben als Vektoren vorliegen, durch eine vektorielle Abstandsberechnung erfolgen, wobei insbesondere der Betrag der Vektoren verglichen wird, insbesondere durch eine Differenzbildung der Vektorbeträge. Alternativ oder zusätzlich können auch andere in der Vektorrechnung gängige Abstandsberechnungsverfahren herangezogen werden, insbesondere die euklidische Abstandsberechnung. Alternativ können die Differenzen der einzelnen Werte der Vektoren durch eine Differenzbildung der Vektoren berechnet und herangezogen werden. Für jedes Paar von Umgebungsbedingungszuständen, für das die Berechnung erfolgt, kann ein Ähnlichkeitskriterium überprüft werden. Je nach Art des Abstandberechnungsverfahrens kann ein anderes Ähnlichkeitskriterium zum Einsatz kommen. Ferner kann sowohl das Abstandberechnungsverfahren als auch das Ähnlichkeitskriterium abhängig vom Typ der gebäudetechnischen Anlage, die gesteuert werden soll, variiert werden. Insbesondere können mehrere Abstandberechnungsverfahren und/oder Ähnlichkeitskriterien zur Verfügung gestellt werden, aus denen gewählt werden kann.

Ein Beispiel für ein Ähnlichkeitskriterium ist im Falle der euklidischen Distanz der Umgebungszustände, dass die euklidische Distanz einen bestimmter Schwellwert unterschreitet. Die Anzahl der gespeicherten Umgebungsbedingungszustände, für die das Ähnlichkeitskriterium erfüllt ist, wird vorzugsweise durch einfaches Hochzählen ermittelt.

Falls die Anzahl kleiner als ein vorgegebener Anzahlschwellwert ist, kann die Bestimmung der Parametrierung der gebäudetechnischen Anlage anhand mindestens einer vordefinierten Parametrierungsregel erfolgen. Dadurch wird in vorteilhafter weise sichergestellt, dass bei einer nicht vorhandenen oder unzureichenden Datengrundlage in Form von gespeicherten Umgebungsbedingungszuständen eine Anpassung der Parametrierung bzw. Einstellung der gebäudetechnischen Anlage erfolgt. Wurde beispielsweise eine Sonnenschutzanlage am Fenster eines Gebäudes erst kürzlich in Betrieb genommen, sind nur eine geringe Anzahl früherer gespeicherter Umgebungsbedingungszustände in der Datenbank vorhanden. Ist die Sonnenschutzanlage derart parametriert bzw. eingestellt, dass sie vollständig oder nahezu vollständig eingefahren ist, kann Sonneneinstrahlung ungehindert in den Raum einfallen. Zu einer Tageszeit mit einer hohen Sonneneinstrahlung ist es gewöhnlicherweise gewünscht, dass die Sonnenschutzanlage einen gewissen Grad an Abschirmung des Raumes gegen die Sonneneinstrahlung bietet. Anhand einer vordefinierten Parametrierungsregel, die dies abbildet, wird die Sonnenschutzanlage zumindest teilweise ausgefahren, wenn ein Lichtsensor eine hohe Sonneneinstrahlung erfasst.

Falls die Anzahl größer oder gleich als der vorgegebene Anzahlschwellwert ist, kann die Bestimmung der Parametrierung der gebäudetechnischen Anlage anhand eines maschinellen Lernmodells erfolgen. Das maschinelle Lernmodell ist in der Lage die Präferenzen eines oder mehrerer Benutzer zu erlernen, so dass die Parametrierung der gebäudetechnischen Anlage mittels des maschinellen Lernmodells, sofern eine ausreichende Datenbasis gegeben ist, näher an den tatsächlichen Präferenzen des einen Benutzers oder der mehreren Benutzer liegt. Eine ausreichende Datenbasis ist, wie eingangs erläutert, dann vorhanden, wenn die Anzahl der gespeicherten Umgebungsbedingungszustände, die das Ähnlichkeitskriterium bezüglich des erfassten Umgebungsbedingungszustands erfüllen, größer ist als ein Anzahlschwellwert. Erwähnt sei an dieser Stelle, dass die gespeicherten Umgebungsbedingungszustände mit den jeweils zugehörigen gespeicherten Parametrierungen paarweise in der Datenbank vorliegen können. Mit anderen Worten: Das maschinelle Lernmodell kann immer dann verwendet werden, wenn bereits genügend Erfahrungswerte über die Präferenzen des Benutzers vorliegen. Diese Erfahrungswerte können über einen längeren Benutzungszeitraum nach der Inbetriebnahme nach und nach erfasst werden. Beispielsweise kann jedes Mal, wenn der Benutzer mittels Bedienelementen die Parametrierung bzw. Einstellung der gebäudetechnischen Einstellung manuell ändert, diese Änderungen in der Form gespeichert werden, dass der aktuelle Umgebungsbedingungszustand und die manuelle Parametrierung als Paar in die Datenbank abgelegt werden.

Das maschinelle Lernmodell kann somit nach einiger Zeit die vordefinierten Parametrierungsregeln ersetzen. Da die vordefinierten Parametrierungsregeln insbesondere Regeln umfassen können, die sich beispielsweise an den Präferenzen eines Bevölkerungsdurchschnitts orientieren, können diese Parametrierungsregeln nicht die Präferenzen des konkreten Benutzers oder der konkreten Benutzer der gebäudetechnischen Anlage hinreichend abbilden. Das maschinelle Lernmodell vermag jedoch diese Präferenzen mit einer relativ hohen Präzision abzubilden, nachdem genügend gespeicherte Umgebungsbedingungszustände in der Datenbank vorliegen, auf die zurückgegriffen werden kann. Mit anderen Worten: Wird ein Umgebungsbedingungszustand erfasst, zu dem es zu wenige ähnliche gespeicherte Umgebungsbedingungszustände (und zugehörige Parametrierungen) gibt, wird die Funktionalität der gebäudetechnischen Anlage durch die Anwendung vordefinierter Parametrierungsregeln gewährleistet. Dadurch wird selbst direkt nach der Inbetriebnahme einer neu installierten gebäudetechnischen Anlage ein Mindestmaß an Benutzerkomfort bereitgestellt, wodurch der Benutzer nicht jedes Mal jede Einstellung manuell über Bedienelemente vornehmen muss. Sobald jedoch zu einem erfassten Umgebungsbedingungszustand genügend gespeicherte Umgebungsbedingungszustände (und zugehörige Parametrierungen) vorliegen, die zum erfassten Umgebungsbedingungszustand hinreichend ähnlich sind, wird das maschinelle Lernmodell die Parametrierung bzw. Einstellung der gebäudetechnischen Anlage bestimmen und in vorteilhafter Weise eine nahe an den Präferenzen des Benutzers liegende Parametrierung vornehmen. Deutlicher wird die vorgeschlagene Funktionsweise mit Blick auf die Benutzungslebensspanne der gebäudetechnischen Anlage, beginnend mit der Erstinstallation. Zu Beginn liegen noch keine gespeicherten Umgebungsbedingungszustände (und zugehörige Parametrierungen) vor, sondern nur vordefinierte Parametrierungsregeln, die beispielsweise vom Hersteller der gebäudetechnischen Anlage vorgesehen sein können und an einem hypothetischen Durchschnittsbenutzer orientiert sein können. Im Betrieb werden durch eine Sensoreinrichtung kontinuierlich oder in diskreten Zeitabständen Umgebungsbedingungszustände erfasst und es wird auf die vordefinierten Parametrierungsregeln zurückgegriffen. Dies kann als eine erste Phase der Benutzungslebensspanne der gebäudetechnischen Anlage angesehen werden. Nach einiger Zeit hat der Benutzer, der beispielsweise Bewohner desjenigen Gebäudes ist, für das die gebäudetechnische Anlage vorgesehen ist, manuelle Einstellungen mithilfe von Bedienelementen vorgenommen oder, sofern die Parametrierungen anhand der vordefinierten Parametrierungsregeln seinen Präferenzen entsprechen, die manuelle Einstellung unterlassen. Durch die manuellen Einstellungen und das Unterlassen von manuellen Einstellungen, beispielsweise für einen vorgegebenen Zeitraum, werden gespeicherte Umgebungsbedingungszustände (und zugehörige Parametrierungen) in die Datenbank abgelegt. Bei sich häufig wiederholenden erfassten Umgebungsbedingungszuständen kann mittels des maschinellen Lernmodells auf diese zurückgegriffen werden. Bei selten auftretenden erfassten Umgebungsbedingungszuständen bleibt weiterhin der Rückgriff auf die vordefinierten Parametrierungsregeln. In dieser Phase, die als zweite Phase der Benutzungslebensspanne der gebäudetechnischen Anlage angesehen werden kann, werden sowohl das maschinelle Lernmodell als auch die vordefinierten Parametrierungsregeln benötigt und verwendet. Nachdem eine weitere Zeit vergangen ist und das maschinelle Lernmodell auf eine hinreichende Anzahl von gespeicherten Umgebungsbedingungszuständen (und zugehörigen Parametrierungen) zurückgreifen kann, wird vornehmlich das maschinelle Lernmodell, im Idealfall nur noch das maschinelle Lernmodell, verwendet. Dieser Zustand kann als dritte Phase der Benutzungslebensspanne der gebäudetechnischen Anlage angesehen werden. Sollte ein Wechsel des Benutzers, beispielsweise durch einen Wechsel des Mieters eines Gebäudes stattfinden, ist das maschinelle Lernmodell auf die oben beschriebene Weise in der Lage, sich an die gegebenenfalls neuen Präferenzen nach und nach anzupassen. Vorzugsweise kann eine Zurücksetzen-Funktion der Datenbank der gespeicherten Umgebungsbedingungszustände (und zugehörige Parametrierungen) vorgesehen sein. Die Bestimmung der Parametrierung kann insbesondere durch ein Steuergerät der gebäudetechnischen Anlage erfolgen. Das Steuergerät kann beispielsweise ein zentrales Steuergerät mit einer Berechnungseinheit und einer Messdatenempfangsschnittstelle sein, über die Messdaten der zumindest einen Sensoreinrichtung empfangen werden. Alternativ oder zusätzlich kann die Bestimmung der Parametrierung durch einen Server gestützt sein, wobei insbesondere die Datenbank auf dem Server gespeichert sein kann. Besonders vorteilhaft erfolgen die Berechnungen zumindest teilweise auf dem Server, beispielsweise die Bestimmung der Anzahl gespeicherter Umgebungsbedingungszustände, die das Ähnlichkeitskriterium erfüllen und/oder die Bestimmung der Parametrierung anhand vordefinierter Parametrierungsregeln und/oder die Bestimmung der Parametrierung anhand des maschinellen Lernmodells. Besonders bevorzugt erfolgen alle Berechnungsschritte durch einen Server. In dem Fall, dass ein Server zum Einsatz kommt, ist die gebäudetechnische Anlage kommunikativ, insbesondere über ein Datennetz, mit dem Server verbunden.

Das Trainieren des maschinellen Lernmodells kann, wie im obigen Beispiel erläutert insbesondere wie folgt vorgesehen sein:

In Antwort auf eine manuelle Parametrierung einer gebäudetechnischen Anlage oder eine unterlassene Parametrierung für einen vordefinierten Zeitraum, kann ein Umgebungsbedingungszustand und eine zugehörige Parametrierung der gebäudetechnischen Anlage in einer Datenbank gespeichert, und das Trainieren des maschinellen Lernmodells kann unter Verwendung zumindest eines Teils der Umgebungsbedingungszustände und zugehörigen Parametrierungen in der Datenbank erfolgen.

Das Trainieren des maschinellen Lernmodells kann ferner ein Training/Test- und/oder Cross- Validation Splitting der Datenbank umfassen. Beim Training/Test-Splitting und Cross- Validation Splitting handelt es sich jeweils um bekannte Methoden aus dem Bereich des maschinellen Lernens, die den sogenannten Problemen der Überangepasstheit und Unterangepasstheit eines maschinellen Lernmodells entgegenwirken können. Dabei ist es das Ziel, ein Optimum für das maschinelle Lernmodell zu finden, welches möglichst keine Überanpassung oder Unteranpassung umfasst. Eine Überangepasstheit eines maschinellen Lernmodells liegt vor, wenn sich das Modell zu sehr an bereits vorliegenden Trainingsdaten orientiert und dadurch eine Einordnung neuer Beobachtungen erschwert wird. Ein maschinelles Lernmodell, bei dem eine Überangepasstheit vorliegt, orientiert sich vornehmlich an gespeicherte Daten und reagiert mit einer höheren Fehlerrate bei neuen Beobachtungen. Im Bereich des maschinellen Lernens wird in diesem Zusammenhang von einer unnötigen Berücksichtigung von Rauschen gesprochen. Eine Unterangepasstheit liegt vor, wenn gespeicherte Daten nicht ausreichend berücksichtigt werden. Auch dies kann zu einer erhöhten Fehlerrate des maschinellen Lernmodells führen.

Vorzugsweise umfasst das Verfahren ferner: Senden eines Befehls zur Änderung von einer aktuell vorliegenden Parametrierung der gebäudetechnischen Anlage zu der bestimmten Parametrierung, wobei vorzugsweise das Senden nur dann erfolgt, wenn die bestimmte Parametrierung um einen vordefinierten Parametrierungsschwellwert von der aktuell vorliegenden Parametrierung abweicht.

Das Senden eines Befehls zur Änderung der Parametrierung hin zu der bestimmten Parametrierung kann insbesondere durch ein Steuergerät der gebäudetechnischen Anlage erfolgen. Beispielsweise kann auf der Basis der bestimmten Parametrierung ein Befehl gesendet werden, eine Sonnenschutzanlage ein- oder auszufahren. Durch das Vorsehen eines Parametrierungsschwellwerts wird gewährleistet, dass geringfügige Abweichungen zwischen der bestimmten Parametrierung und der aktuell vorliegenden Parametrierung unbeachtet bleiben. Dies ist besonders im Hinblick auf den Energiebedarf der gebäudetechnischen Anlage vorteilhaft, da unnötige Änderungen unterbleiben. Auch wird durch den Parametrierungsschwellwert der Benutzerkomfort gesteigert, da der Benutzer nicht durch etwaige Geräusche, beispielsweise beim Ein- oder Ausfahren einer Sonnenschutzanlage, gestört wird, wenn dies nicht erforderlich ist. In dieser Hinsicht wird durch das Vorsehen des Parametrierungsschwellwerts auf einfache Weise ein Zielkonflikt aufgelöst, beispielsweise im Falle einer Sonnenschutzanlage zwischen einem optimalen Beleuchtungszustand und einer möglichst geringen Geräuschkulisse, die ein konzentriertes Arbeiten ermöglicht.

Es kann ferner vorgesehen sein, dass bei der Bestimmung der Parametrierung (stets) vordefinierte Restriktionen, insbesondere Sicherheitsrestriktionen, eingehalten werden.

Im Rahmen gesetzlicher Vorgaben, die beispielsweise Brandschutzvorgaben umfassen können, ist es oftmals nicht möglich, aus Sicht des Benutzers optimale Bedingungen herzustellen. Das Optimum wird mit anderen Worten durch die gesetzlichen Vorgaben limitiert. Ferner kann auch ein Benutzer im Rahmen seines Sicherheitsbedürfnisses einen gewissen Schutz vor Einbrüchen wünschen, wobei dieses Bedürfnis unter Umständen nur mit einer nicht-optimalen Parametrierung einer gebäudetechnischen Anlage gewährleistet werden kann. Durch das Vorsehen vordefinierter Restriktionen werden derartige gesetzliche Vorgaben oder anderweitige Muss-Präferenzen stets bei der Bestimmung der Parametrierung berücksichtigt, unabhängig davon, ob die Bestimmung der Parametrierung mittels der vordefinierten Parametrierungsregeln oder mittels des maschinellen Lernmodells erfolgt.

Besonders bevorzugt umfasst das Verfahren ferner: Empfangen von Anwesenheitsinformationen und/oder Identifikationsinformationen, wobei Anwesenheitsinformationen zumindest Informationen über die Anzahl von Personen in einem Raum enthalten, für den die gebäudetechnische Anlage vorgesehen ist, wobei Identifikationsinformationen zumindest Informationen enthalten, die eine eindeutige Identifikation im Raum befindlicher Personen oder den Raum betretender bzw. aus dem Raum austretender Personen ermöglichen, und wobei die Anwesenheitsinformationen und/oder die Identifikationsinformationen zur Bestimmung der Parametrierung berücksichtigt werden.

Ferner kann vorgesehen sein, dass die mindestens eine vordefinierte Parametrierungsregel und/oder das maschinelle Lernmodell zur Bestimmung der Parametrierung, in Abhängigkeit von Anwesenheitsinformationen und/oder in Abhängigkeit von Identifikationsinformationen, aus mehreren Parametrierungsregeln bzw. mehreren maschinellen Lernmodellen ausgewählt wird bzw. werden.

Anwesenheitsinformationen beinhalten Informationen darüber, wie viele Personen in einem Raum oder in einem Gebäude vorhanden sind, die die Parametrierung der gebäudetechnischen Anlage wahrnehmen können. Diese Anwesenheitsinformationen können beispielsweise mit einem Zutrittssensor an einem Zutrittspunkt, beispielsweise einer Tür, erfasst werden. Ein solcher Zutrittssensor kann als Teil der Sensoreinrichtung ausgebildet sein. Die Anwesenheitsinformationen können Teil eines erfassten Umgebungsbedingungszustands und/oder gespeicherten Umgebungsbedingungszustands sein.

Identifikationsinformationen beinhalten Informationen, die eine eindeutige Identifikation von Personen ermöglichen, die in einem Raum oder in einem Gebäude vorhanden sind. Eine eindeutige Identifikation muss in diesem Zusammenhang keinerlei personenbezogene Daten umfassen, die auf die Identität der Person (Name, Aussehen etc.) schließen lassen. Die eindeutige Identifikation einer Person erfordert lediglich eine Unterscheidung von anderen Personen und kann auch mit einer eindeutigen Nummer (unique identifier, UID) eines Zutrittsberechtigungsmediums, beispielsweise einer Zutrittskarte, erfolgen. Die Identifikationsinformationen können beispielsweise an einer Zutrittskontrollvorrichtung an einem Zutrittspunkt, beispielsweise einer Tür, erfasst werden. Eine solche Zutrittskontrollvorrichtung kann als Teil der Sensoreinrichtung ausgebildet sein. Die Identifikationsinformationen können Teil eines erfassten Umgebungsbedingungszustands und/oder gespeicherten Umgebungsbedingungszustands sein.

Die Berücksichtigung von Anwesenheitsinformationen wird in vorteilhafter Weise durch eine präzise Anpassung an einen Belegungszustand eines Raumes oder eines Gebäudes ermöglicht. Beispielsweise kann bei einer hohen Anzahl von Personen in einem Raum die Klimatisierungsanlage des Raumes derart parametriert werden, dass bereits vor der Messung einer erhöhten Luftfeuchtigkeit durch einen Feuchtigkeitssensor, vorab eine erhöhte Entfeuchtung erfolgt. Es wird somit ein vorausschauendes Bestimmen einer Parametrierung ermöglicht.

Die Berücksichtigung von Identifikationsinformationen ermöglicht es ferner, individuelle Präferenzen verschiedener Benutzer zu berücksichtigen. Insbesondere bei sogenannten „shared offices“ (geteilten Arbeitsplätzen) ist eine Situation verschiedener Benutzer denkbar. Dazu kann insbesondere vorgesehen sein, dass für verschiedene Personen verschiedene vordefinierte Parametrierungsregeln und/oder maschinelle Lernmodelle vorgesehen sind. Befinden sich mehrere Personen mit verschiedenen Präferenzen in einem Raum oder einem Gebäude, kann bevorzugt vorgesehen sein, dass für die Bestimmung der Parametrierung eine Regel oder ein maschinelles Lernmodell gewählt wird, welches möglichst vielen der verschiedenen Präferenzen gerecht wird. Besonders bevorzugt kann vorgesehen sein, dass in diesem Falle eine temporäre Regel oder ein temporäres maschinelles Lernmodell gebildet wird, auf dessen Basis das Bestimmen der Parametrierung erfolgt. Die temporäre Regel bzw. das temporäre maschinelle Lernmodell kann insbesondere einen optimalen Durchschnitt der Präferenzen der verschiedenen im Raum oder im Gebäude befindlichen Personen abbilden.

Vorzugsweise ist vorgesehen, dass der mittels der Sensoreinrichtung erfasste Umgebungsbedingungszustand mindestens eine der folgenden Informationen umfasst: einen Messwert eines Lichtsensors, einen Messwert eines Windsensors, einen Messwert eines Temperatursensors, eine Differenz zwischen einer Temperatur und einer gefühlten Temperatur, einen Messwert eines Raumbelegungssensors, eine Uhrzeit, einen Messwert eines Berührungssensors, vorzugsweise an einem Fenstergriff, ein Datum, vorzugsweise ohne Jahreszahl, einen Status eines Gebäudeelements, vorzugsweise eines Fensters, einen Status einer Klimaanlage, einen Status einer Heizungsanlage, einen Status einer Sonnenschutzanlage, einen Status einer Beleuchtungsanlage; und/oder die Parametrierung der gebäudetechnischen Anlage eine Parametrierung zumindest eines bzw. einer aus den Folgenden umfasst: eines Gebäudeelements, vorzugsweise eines Fensters, einer Klimaanlage, einer Heizungsanlage, einer Sonnenschutzanlage, einer Beleuchtungsanlage.

Es kann ferner vorgesehen sein, dass das Ähnlichkeitskriterium für gespeicherte Umgebungsbedingungszustände nach dem cell-lists Algorithmus überprüft wird, wobei das Ähnlichkeitskriterium für einen gespeicherten Umgebungsbedingungszustand vorzugsweise dann erfüllt ist, wenn die Differenz zwischen dem erfassten Umgebungsbedingungszustand und dem gespeicherten Umgebungsbedingungszustand einen Wert nicht überschreitet.

Mit dem cell-lists Algorithmus wird eine effektive Methode bereitgestellt, mit dem das Ähnlichkeitskriterium überprüfbar ist. So kann die Anzahl derjenigen gespeicherten Umgebungsbedingungszustände, die hinreichend ähnlich zu einem erfassten Umgebungsbedingungszustand sind, auf einfache Weise bestimmt werden.

Erfindungsgemäß wird ferner ein computer-implementiertes Verfahren zum Trainieren eines maschinellen Lernmodells bereitgestellt. Das maschinelle Lernmodell kann zur Verwendung in einem oben beschriebenen Verfahren vorgesehen sein. In Antwort auf eine manuelle Parametrierung einer gebäudetechnischen Anlage oder eine unterlassene Parametrierung für einen vordefinierten Zeitraum kann das Verfahren ein Speichern eines Umgebungsbedingungszustands und einer zugehörigen Parametrierung der gebäudetechnischen Anlage in einer Datenbank umfassen. Das Verfahren kann ein Trainieren des maschinellen Lernmodells unter Verwendung zumindest eines Teils der Umgebungsbedingungszustände und zugehörigen Parametrierungen in der Datenbank umfassen.

Das Verfahren zum Trainieren eines maschinellen Lernmodells kann insbesondere zur (selbstlernenden) Sonnenschutz- und Beleuchtungssteuerung durch eine entsprechend ausgebildete gebäudetechnische Anlage vorgesehen sein. Nachfolgend wird das Verfahren am Beispiel einer als Sonnenschutzanlage ausgebildeten gebäudetechnischen Anlage erläutert. Mit Blick auf die Benutzungslebensspanne der Sonnenschutzanlage, beginnend mit der Erstinstallation liegen zu Beginn noch keine gespeicherten Umgebungsbedingungszustände (und zugehörige Parametrierungen) vor, sondern nur vordefinierte Parametrierungsregeln, die beispielsweise vom Hersteller der gebäudetechnischen Anlage vorgesehen sein können und an einem hypothetischen Durchschnittsbenutzer orientiert sein können. Im Betrieb werden durch eine Sensoreinrichtung kontinuierlich oder in diskreten Zeitabständen Umgebungsbedingungszustände erfasst und es wird auf die vordefinierten Parametrierungsregeln zurückgegriffen. Die sich ergebende Parametrierung entspricht in manchen Fällen den Präferenzen des Benutzers und in manchen Fällen nicht.

Sofern eine Parametrierung den Präferenzen des Benutzers entspricht, wird dieser eine Änderung der Parametrierung über die Bedienelemente der Sonnenschutzanlage unterlassen. Zum Trainieren des maschinellen Lernmodells kann beispielsweise, nachdem eine Parametrierung anhand einer vordefinierten Regel bestimmt worden ist, die Zeit erfasst werden, in der der Benutzer keine Änderung über die Bedienelemente vornimmt. Sofern der Benutzer für eine bestimmte Zeit keine Änderung vornimmt, kann darauf rückgeschlossen werden, dass die Parametrierung den tatsächlichen Präferenzen des Benutzers beim vorliegenden Umgebungsbedingungszustand entspricht. Der erfasste Umgebungsbedingungszustand und die zugehörige Parametrierung werden als gespeicherter Umgebungsbedingungszustand in die Datenbank hinterlegt und als Trainingsdaten des maschinellen Lernmodells verwendet.

Sofern die Parametrierung den Präferenzen des Benutzers nicht entspricht, wird dieser jedoch manuell über die Bedienelemente eine Änderung der Parametrierung vornehmen und beispielsweise die Sonnenschutzanlage weiter einfahren oder weiter ausfahren. Zum Trainieren des maschinellen Lernmodells kann beispielsweise, nachdem eine manuelle Parametrierung durch den Benutzer erfolgt ist, darauf rückgeschlossen werden, dass die neue Parametrierung den Präferenzen des Benutzers bei dem vorliegenden Umgebungsbedingungszustand entspricht. Der erfasste Umgebungsbedingungszustand und die zugehörige Parametrierung werden als gespeicherter Umgebungsbedingungszustand in der Datenbank hinterlegt und als Trainingsdaten des maschinellen Lernmodells verwendet. Alternativ oder zusätzlich kann nach einer manuellen Parametrierung durch den Benutzer die Zeit erfasst werden, in der der Benutzer anschließend keine Änderung über die Bedienelemente vornimmt. Wird eine vordefinierte Zeitspanne nach der manuellen Parametrierung keine weitere Änderung über die Bedienelemente erfasst, kann darauf rückgeschlossen werden, dass nunmehr eine Parametrierung vorliegt, die für den vorliegenden Umgebungsbedingungszustand den Präferenzen des Benutzers entspricht. Der erfasste Umgebungsbedingungszustand und die zugehörige Parametrierung werden als gespeicherter Umgebungsbedingungszustand in der Datenbank hinterlegt und als Trainingsdaten des maschinellen Lernmodells verwendet.

Nach einiger Zeit hat der Benutzer, der beispielsweise Bewohner desjenigen Gebäudes ist, für das die Sonnenschutzanlage vorgesehen ist, genügend Trainingsdaten erzeugt, so dass das Erfordernis manueller Änderungen über die Bedienelemente immer seltener auftritt. Sollte ein Wechsel des Benutzers, beispielsweise durch einen Wechsel des Mieters eines Gebäudes stattfinden, ist das maschinelle Lernmodell auf die oben beschriebene Weise in der Lage, sich an die gegebenenfalls neuen Präferenzen nach und nach anzupassen.

Es kann ferner eine Speicherbereinigung vorgesehen sein, wobei überprüft wird, ob die Anzahl von gespeicherten Umgebungsbedingungszuständen eine vorgegebene Höchstzahl übersteigen. Die Höchstzahl kann insbesondere eine maximal erlaubte Anzahl von gespeicherten Umgebungsbedingungszuständen sein. Mittels der Speicherbereinigung wird eine ausgewogene Datenqualität und Datenquantität gewährleistet, wodurch die Funktionsweise des maschinellen Lernmodells sichergestellt wird.

Im Rahmen der Speicherbereinigung kann insbesondere vorgesehen sein, dass der cell-lists Algorithmus verwendet wird. In diesem Fall kann die Höchstzahl besonders vorteilhaft pro Zelle im cell-lists Algorithmus vorgegeben sein. Dies ist besonders vorteilhaft, da durch die Vorgabe von Höchstzahlen je Zelle vermieden wird, dass Datenlücken im Sinne von nicht vorhandenen gespeicherten Umgebungsbedingungszuständen, beispielsweise für selten auftretende Umgebungsbedingungszustände, entstehen. Mit anderen Worten: Es wird sichergestellt, dass über den gesamten Definitionsbereich von erfassbaren Umgebungsbedingungszuständen eine hinreichende Datenbasis von gespeicherten Umgebungsbedingungszuständen vorgehalten wird.

Falls die Anzahl von gespeicherten Umgebungsbedingungszuständen die Höchstzahl bzw. die Höchstzahl innerhalb einer Zelle des cell-lists Algorithmus übersteigt, kann ein Löschen der ältesten gespeicherten Umgebungsbedingungszustände erfolgen, bis die Anzahl von gespeicherten Umgebungsbedingungszuständen die Höchstzahl nicht mehr übersteigt. Dadurch wird das maschinelle Lernmodell auf einfache weise überwacht.

Ferner kann vorgesehen sein, dass bei der Verwendung des Verfahrens zum Trainieren des maschinellen Lernmodells in einem der oben beschriebenen Verfahren zur Bestimmung einer Parametrierung einer gebäudetechnischen Anlage, eine Bedienung von Bedienelementen der gebäudetechnischen Anlage durch einen Benutzer und/oder eine Belegung des Raums und Unterlassung einer Bedienung der Bedienelemente für einen vordefinierten Zeitraum erfasst wird und insbesondere der vorliegende Umgebungsbedingungszustand (mit zugehöriger Parametrierung) in der Datenbank hinterlegt wird. Besonders bevorzugt kann vorgesehen sein, dass wenn ein weiteres Kriterium erfüllt ist, ein in der Datenbank gespeicherter Umgebungsbedingungszustand (mit zugehöriger Parametrierung) eine höhere oder niedrigere Gewichtung erhält als andere in der Datenbank gespeicherte Umgebungsbedingungszustände (mit zugehöriger Parametrierung). Beispielsweise kann ein weiteres Kriterium, das zu einer höheren Gewichtung eines gespeicherten Umgebungsbedingungszustands (mit zugehöriger Parametrierung) führt, eine Unterlassung einer Bedienung der Bedienelemente für einen weiteren längeren Zeitraum sein.

Ferner kann vorgesehen sein, dass das Trainieren des maschinellen Lernmodells mittels überwachtem und/oder bestärkendem maschinellen Lernen erfolgt.

Insbesondere im Rahmen eines überwachten Trainierens des maschinellen Lernmodells kann die Verwendung von Training/Test- und/oder Cross-Validation Splitting der gespeicherten Umgebungsbedingungszustände (und zugehörigen Parametrierungen) vorgesehen (vgl. obige Erläuterungen) sein. Zusätzlich oder alternativ kann eine Nächster- Nachbar-Klassifikation, vorzugsweise auf Basis eines cell-lists Algorithmus, vorgesehen sein. Eine Nächster-Nachbar-Klassifikation ist ein im Bereich der Dichtefunktionen gängige parameterfreie Methode, die eine gemeinsame Klassenzuordnung von benachbarten Werten, vorliegend Umgebungsbedingungszuständen, ermöglicht. Besonders bevorzugt können neuronale Netze und/oder decision trees verwendet werden. Diese haben gegenüber den Nächster-Nachbar-Klassifikatoren den Vorteil, irrelevante Messwerte besser zu erkennen und außer Acht zu lassen.

Die Gewichtung kann, beispielsweise im Rahmen eines bestärkenden maschinellen Lernens, analog zum Prinzip von „Belohnung und Bestrafung“ erfolgen. Belohnungen können dabei zu einer höheren Gewichtung von gespeicherten Umgebungsbedingungszuständen führen, während Bestrafungen zu einer geringeren Gewichtung von gespeicherten Umgebungsbedingungszuständen führen können. Es kann insbesondere sein, dass nur eine höhere Gewichtung (Belohnung) oder nur eine niedrigere Gewichtung (Bestrafung) vorgesehen ist. Eine Belohnung und damit höhere Gewichtung eines Umgebungsbedingungszustands kann insbesondere mit zunehmender Zeitdauer, in der ein Benutzer keine Bedienung der Bedienelemente durchführt, ausgelöst werden. Die Belohnung bzw. höhere Gewichtung kann beispielsweise kontinuierlich mit der Zeitdauer des Unterlassens einer Bedienung der Bedienelemente ansteigen. Eine Bestrafung bzw. geringere Gewichtung von Umgebungsbedingungszuständen kann insbesondere dann ausgelöst werden, wenn ein Benutzer eine Bedienung der Bedienelemente vornimmt. Je öfter ein Benutzer eine Bedienung vornimmt, desto höher kann die Bestrafung bzw. die geringere Gewichtung ausfallen, durch eine Benutzung dieser.

Das bestärkende maschinelle Lernen umfasst vorzugsweise Kriterien, die bestimmte Aktionen eines Benutzers, insbesondere Bedienungen von Bedienelementen, mit einer Belohnung bzw. höheren Gewichtung oder mit einer Bestrafung bzw. geringeren Gewichtung eines Umgebungsbedingungszustands verknüpft. Insbesondere können die Kriterien im Rahmen eines eigenen Kriterien-Lernmodells fortentwickelt werden, um die Bedingungen für und die Höhe von Änderungen von Gewichtungen zu optimieren. Dadurch können in vorteilhafter Weise auch Totzeiten berücksichtigt werden, die beispielsweise beim Heizen und Kühlen auftreten. Eine Totzeit kann insbesondere durch eine Differenz zwischen einer gefühlten Temperatur und einer tatsächlichen Temperatur auftreten und kann beispielsweise die Zeit sein, die vergeht, bis sich die gefühlte und die tatsächliche Temperatur angleichen.

Vorzugsweise ist eine Zurücksetzen-Funktion des maschinellen Lernmodells vorgesehen, wobei insbesondere die gespeicherten Trainingsdaten gelöscht werden.

Erfindungsgemäß ist eine Vorrichtung, insbesondere eine gebäudetechnische Anlage, vorgesehen, die Mittel zur Ausführung eines der oben beschriebenen Verfahren umfasst. Insbesondere kann die Vorrichtung Bedienelemente aufweisen. Die Bedienelemente sind vorzugsweise ausgebildet, um subjektive Eingaben eines Benutzers über vorzugsweise einen einzigen Eingabewert zu erfassen.

Erfindungsgemäß ist ein Computerprogramm vorgesehen, umfassend Befehle, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, eines der oben beschriebenen Verfahren durchzuführen.

Die in Bezug auf das erfindungsgemäße Verfahren beschriebenen technischen Vorteile und Ausgestaltungen gelten gleichermaßen für die erfindungsgemäße Vorrichtung und für das erfindungsgemäße Computerprogramm.

KURZE BESCHREIBUNG DER ZEICHNUNGEN

Bevorzugte Ausführungsformen der vorliegenden Offenbarung werden nachfolgend mit Bezugnahme auf die folgenden Figuren beschrieben:

Fig. 1: Zeigt eine erste schematische Darstellung von Ausführungsformen der vorliegenden Erfindung.

Fig. 2: Zeigt eine zweite schematische Darstellung von Ausführungsformen der vorliegenden Erfindung.

BESCHREIBUNG BEVORZUGTER AUSFÜHRUNGSBEISPIELE

Figur 1 ist eine stark vereinfachte Darstellung einer Ausführungsform des erfindungsgemäßen Verfahrens zur Steuerung einer gebäudetechnischen Anlage. Bei einer gebäudetechnischen Anlage kann es sich um eine Anlage handeln, welche Funktionen von Sonnenschutzanlagen, Klimaanlagen, Heizungsanlagen, Beleuchtungsanlagen, Brandmeldeanlagen, Einbruchmeldeanlagen, Photovoltaikanlagen und/oder Zutrittskontrollanlagen aufweist.

In Figur 1 ist eine Steuerung 20 gezeigt, die konfiguriert ist, um das Verfahren durchzuführen. Die Steuerung 20 kann beispielsweise als Teil der gebäudetechnischen Anlage oder als Remote-Steuerung ausgebildet sein, wobei die gebäudetechnische Anlage eine kommunikationstechnische Verbindung zu der Remote-Steuerung aufweist. Figur 2 umfasst einen höheren Detaillierungsgrad bezüglich der Steuerung 20. Eingangswerte für die Steuerung 20 sind: Mittels zumindest einer Sensoreinrichtung 11 aufgenommene Umgebungsbedingungszustände, Bedienungen oder unterlassene Bedienungen der Bedienelemente 12 und aktuell vorliegende Parametrierungen 13 der gebäudetechnischen Anlage. Es versteht sich, dass Ausführungsformen der Erfindung auch nur einer Untermenge dieser Eingangswerte umfassen können. Anhand dieser Inputwerte bestimmt die Steuerung 20 eine neue Parametrierung 30 einer gebäudetechnischen Anlage.

Die Funktionsweise der Steuerung 20 wird nachfolgend mit Bezug auf die Figur 2 näher erläutert. Die Steuerung 20 umfasst in diesem Beispiel vordefinierte Parametrierungsregeln 21, mindestens ein maschinelles Lernmodell 22 und eine Datenbankverwaltung 23. Ferner ist die Steuerung 20 kommunikativ mit einer Datenbank 40 verbunden und greift auf diese zu. Die Datenbank 40 kann als Teil eines Remote-Serversystems ausgebildet sein. Die auf der Datenbank 40 gespeicherten Daten werden mittels der Datenbankverwaltung 23 verwaltet.

Das maschinelle Lernmodell 22, nachfolgend auch Machinenlern-Modell genannt, kann ein künstliches neuronales Netz (ANN; artificial neural network) umfassen bzw. sein, insbesondere unter Verwendung von Multilayer-Perzeptrons (MLP). Alternativ oder zusätzlich ist die Verwendung von Decision Trees und/oder eines Random Forest Verfahrens bevorzugt. Allgemein kann das maschinelle Lernmodell 22 auf dem Verwenden eines Maschinenlern-Modells oder Maschinenlern-Algorithmus basieren. Maschinelles Lernen kann sich auf Algorithmen und statistische Modelle beziehen, die Computersysteme verwenden können, um eine bestimmte Aufgabe ohne Verwendung expliziter Anweisungen auszuführen, anstatt sich auf Modelle und Inferenz zu verlassen. Beim maschinellen Lernen kann beispielsweise anstatt einer auf Regeln basierenden Transformation von Daten, eine Transformation von Daten verwendet werden, die aus einer Analyse von Verlaufs- und/oder Trainings-Daten hergeleitet werden kann. Beispielsweise kann der Inhalt von Bildern unter Verwendung eines Maschinenlern-Modells oder unter Verwendung eines Maschinenlern- Algorithmus analysiert werden. Damit das Maschinenlern-Modell den Inhalt eines Bildes analysieren kann, kann das Maschinenlern-Modell unter Verwendung von Trainingsbildern als Eingabe und Trainingsinhaltsinformation als Ausgabe trainiert werden. Durch Trainieren des Maschinenlern-Modells mit einer großen Anzahl von Trainingsbildern und/oder Trainingssequenzen (z. B. Wörtern oder Sätzen) und zugeordneter Trainingsinhaltsinformation (z. B. Kennzeichnungen oder Anmerkungen) „lernt“ das Maschinenlern-Modell, den Inhalt der Bilder zu erkennen, sodass der Inhalt von Bildern, die in den Trainingsdaten nicht umfasst sind, unter Verwendung des Maschinenlern-Modells erkannt werden kann. Das gleiche Prinzip kann für andere Arten von Sensordaten ebenfalls verwendet werden: Durch Trainieren eines Maschinenlern-Modells unter Verwendung von Trainingssensordaten und einer erwünschten Ausgabe „lernt“ das Maschinenlern-Modell eine Umwandlung zwischen den Sensordaten und der Ausgabe, was verwendet werden kann, um eine Ausgabe basierend auf an das Maschinenlern-Modell bereitgestellten Nicht- Trainings-Sensordaten bereitzustellen. Die bereitgestellten Daten (z.B. Sensordaten, Metadaten und/oder Bilddaten) können vorverarbeitet werden, um einen Merkmalsvektor zu erhalten, welcher als Eingang für das Maschinenlern-Modell verwendet wird.

Maschinenlern-Modelle können unter Verwendung von Trainingseingabedaten trainiert werden. Die oben angeführten Beispiele verwenden ein Trainingsverfahren, das „Supervised Learning“ genannt wird. Beim Supervised Learning wird das Maschinenlern-Modell unter Verwendung einer Mehrzahl von Trainingsabtastwerten trainiert, wobei jeder Abtastwert eine Mehrzahl von Eingabedatenwerten und eine Mehrzahl von erwünschten Ausgabewerten, d. h. jedem Trainingsabtastwert ist ein erwünschter Ausgabewert zugeordnet, umfassen kann. Durch Angeben sowohl von Trainingsabtastwerten als auch erwünschten Ausgabewerten „lernt“ das Maschinenlern-Modell, welcher Ausgabewert basierend auf einem Eingabeabtastwert, der ähnlich zu den während des Trainings bereitgestellten Abtastwerten ist, bereitzustellen ist. Neben dem Supervised Learning kann auch Semi-Supervised Learning verwendet werden. Beim Semi-Supervised Learning fehlt einigen der Trainingsabtastwerte ein erwünschter Ausgabewert. Supervised Learning kann auf einem Supervised Learning-Algorithmus basieren (z. B. einem Klassifizierungsalgorithmus, einem Regressionsalgorithmus oder einem Ähnlichkeitslernen-Algorithmus).

Klassifizierungsalgorithmen können verwendet werden, wenn die Ausgaben auf eine begrenzte Menge von Werten (kategorische Variablen) beschränkt sind, d. h. die Eingabe ist als einer aus dem begrenzten Satz von Werten klassifiziert. Regressionsalgorithmen können verwendet werden, wenn die Ausgaben irgendeinen Zahlenwert (innerhalb eines Bereichs) ausweisen. Ähnlichkeitslernen-Algorithmen können sowohl Klassifizierungs- als auch Regressionsalgorithmen ähnlich sein, basieren aber auf dem Lernen aus Beispielen unter Verwendung einer Ähnlichkeitsfunktion, die misst, wie ähnlich oder verwandt zwei Objekte sind. Neben dem Supervised Learning oder Semi-Supervised Learning kann Unsupervised Learning verwendet werden, um das Maschinenlern-Modell zu trainieren. Beim Unsupervised Learning werden möglicherweise (nur) Eingabedaten bereitgestellt und ein Unsupervised Learning-Algorithmus kann verwendet werden, um eine Struktur in den Eingabedaten zu finden (z. B. durch Gruppieren oder Clustern der Eingabedaten, Finden von Gemeinsamkeiten in den Daten). Clustern ist die Zuweisung von Eingabedaten, die eine Mehrzahl von Eingabewerten umfassen, in Teilmengen (Cluster), sodass Eingabewerte innerhalb desselben Clusters gemäß einem oder mehreren (vordefinierten) Ähnlichkeitskriterien ähnlich sind, während sie Eingabewerten, die in anderen Clustern umfasst sind, unähnlich sind.

Verstärkendes Lernen ist eine dritte Gruppe von Maschinenlern-Algorithmen. Anders ausgedrückt, verstärkendes Lernen kann verwendet werden, um das Maschinenlern-Modell zu trainieren. Beim verstärkenden Lernen werden ein oder mehrere Software-Akteure (sogenannte „Software Agents“) trainiert, um Handlungen in einer Umgebung vorzunehmen. Basierend auf den vorgenommenen Handlungen wird eine Belohnung berechnet.

Verstärkendes Lernen basiert auf dem Trainieren des einen oder der mehreren Software Agents, um die Handlungen auszuwählen, derart, dass die kumulative Belohnung erhöht wird, was zu Software Agents führt, die in der Aufgabe, die ihnen gegeben wird, besser werden (wie durch steigende Belohnungen nachgewiesen).

Ferner können einige Techniken auf einige der Maschinenlern-Algorithmen angewandt werden. Zum Beispiel kann Feature Learning verwendet werden. Anders ausgedrückt, das Maschinenlern-Modell kann zumindest teilweise unter Verwendung von Feature Learning trainiert werden, und/oder der Maschinenlern-Algorithmus kann eine Feature Learning- Komponente umfassen. Feature Learning-Algorithmen, die Representation Learning- Algorithmen genannt werden, können die Information in ihrer Eingabe erhalten, sie aber derart transformieren, dass sie nützlich wird, häufig als Vorverarbeitungsstufe vor dem Ausführen der Klassifizierung oder dem Vorhersagen. Feature Learning kann beispielsweise auf einer Hauptkomponenten-Analyse oder Cluster-Analyse basieren.

Bei einigen Beispielen kann eine Anomaliedetektion (d. h. Ausreißer-Detektion) verwendet werden, die darauf abzielt, eine Identifizierung von Eingabewerten bereitzustellen, die Verdacht erregen, da sie sich erheblich von der Mehrheit von Eingabe- und Trainingsdaten unterscheiden. Anders ausgedrückt, das Maschinenlern-Modell kann zumindest teilweise unter Verwendung von Anomaliedetektion trainiert werden, und/oder der Maschinenlern- Algorithmus kann eine Anomaliedetektions-Komponente umfassen.

Bei einigen Beispielen kann der Maschinenlern-Algorithmus einen Entscheidungsbaum als Vorhersagemodell verwenden. Anders ausgedrückt, das Maschinenlern-Modell kann auf einem Entscheidungsbaum basieren. Bei einem Entscheidungsbaum können die Beobachtungen zu einem Gegenstand (z. B. einer Menge von Eingabewerten) durch die Zweige des Entscheidungsbaums dargestellt werden, und ein Ausgabewert, der dem Gegenstand entspricht, kann durch die Blätter des Entscheidungsbaums dargestellt werden. Entscheidungsbäume können sowohl diskrete Werte als auch fortlaufende Werte als Ausgabewerte unterstützen. Wenn diskrete Werte verwendet werden, kann der Entscheidungsbaum als Klassifizierungsbaum bezeichnet werden, wenn fortlaufende Werte verwendet werden, kann der Entscheidungsbaum als Regressionsbaum bezeichnet werden.

Assoziationsregeln sind eine weitere Technik, die bei Maschinenlern-Algorithmen verwendet werden kann. Anders ausgedrückt, das Maschinenlern-Modell kann auf einer oder mehreren Assoziationsregeln basieren. Assoziationsregeln werden erstellt, indem Verhältnisse zwischen Variablen bei großen Datenmengen identifiziert werden. Der Maschinenlern- Algorithmus kann eine oder mehrere Verhältnisregeln identifizieren und/oder nutzen, die das Wissen darstellen, dass aus den Daten hergeleitet ist. Die Regeln können z. B. verwendet werden, um das Wissen zu speichern, zu manipulieren oder anzuwenden.

Maschinenlern-Algorithmen basieren normalerweise auf einem Maschinenlern-Modell. Anders ausgedrückt, der Begriff „Maschinenlern-Algorithmus“ kann einen Satz von Anweisungen bezeichnen, die verwendet werden können, um ein Maschinenlern-Modell zu erstellen, zu trainieren oder zu verwenden. Der Begriff „Maschinenlern-Modell“ kann eine Datenstruktur und/oder einen Satz von Regeln bezeichnen, die/der das erlernte Wissen darstellt (z. B. basierend auf dem durch den Maschinenlern-Algorithmus ausgeführten Training). Bei Ausführungsbeispielen kann die Verwendung eines Maschinenlern- Algorithmus die Verwendung eines zugrundeliegenden Maschinenlern-Modells (oder einer Mehrzahl von zugrundeliegenden Maschinenlern-Modellen) implizieren. Die Verwendung eines Maschinenlern-Modells kann implizieren, dass das Maschinenlern-Modell und/oder die Datenstruktur/der Satz von Regeln, welche das Maschinenlern-Modell ist/sind, durch einen Maschinenlern-Algorithmus trainiert wird.

Beispielsweise kann das Maschinenlern-Modell ein künstliches neuronales Netz (ANN; artificial neural network) sein. ANNs sind Systeme, die durch biologische neuronale Netze inspiriert sind, wie sie in einer Netzhaut oder einem Gehirn zu finden sind. ANNs umfassen eine Mehrzahl von zwischenverbundenen Knoten und eine Mehrzahl von Verbindungen, sogenannte Kanten (edges), zwischen den Knoten. Es gibt normalerweise drei Knotentypen, Eingabeknoten, die Eingabewerte empfangen, versteckte Knoten, die (nur) mit anderen Knoten verbunden sind, und Ausgabeknoten, die Ausgabewerte bereitstellen. Jeder Knoten kann ein künstliches Neuron darstellen. Jede Kante kann Information senden, von einem Knoten zum anderen. Die Ausgabe eines Knoten kann als eine (nichtlineare) Funktion der Eingaben definiert sein (z.B. der Summe seiner Eingaben). Die Eingaben eines Knoten können in der Funktion basierend auf einem „Gewicht“ der Kante oder des Knoten, der die Eingabe bereitstellt, verwendet werden. Das Gewicht von Knoten und/oder von Kanten kann in dem Lernprozess angepasst werden. Anders ausgedrückt, das Training eines künstlichen neuronalen Netzes kann ein Anpassen der Gewichte der Knoten und/oder Kanten des künstlichen neuronalen Netzes umfassen, d. h. um eine erwünschte Ausgabe für eine bestimmte Eingabe zu erreichen.

Alternativ kann das Maschinenlern-Modell eine Support-Vector-Machine, ein Random- Forest-Modell oder ein Gradient-Boosting-Modell sein. Support Vector Machines (d. h. Stützvektornetze) sind Supervised Learning-Modelle mit zugeordneten Lernalgorithmen, die verwendet werden können, um Daten zu analysieren (z. B. in einer Klassifizierungs- oder Regressionsanalyse). Support Vector Machines können durch Bereitstellen einer Eingabe mit einer Mehrzahl von Trainingseingabewerten, die zu einer von zwei Kategorien gehören, trainiert werden. Die Support Vector Machine kann trainiert werden, um einer der beiden Kategorien einen neuen Eingabewert zuzuweisen. Alternativ kann das Maschinenlern-Modell ein bayessches Netz sein, das ein probabilistisches gerichtetes azyklisches graphisches Modell ist. Ein bayessches Netz kann einen Satz von Zufallsvariablen und ihre bedingten Abhängigkeiten unter Verwendung eines gerichteten azyklischen Graphen darstellen.

Alternativ kann das Maschinenlern-Modell auf einem genetischen Algorithmus basieren, der ein Suchalgorithmus und heuristische Technik ist, die den Prozess der natürlichen Selektion imitiert.

Unabhängig von der Implementierung des Maschinenlern-Modells ist es ein Ziel der dargestellten Ausführungsform, eine neue Parametrierung 30 einer gebäudetechnischen Anlage zu ermitteln, die den Präferenzen bzw. Bedürfnissen von Benutzern eines Gebäudes, welches mit der gebäudetechnischen Anlage ausgerüstet ist, Rechnung trägt. Hierzu erfolgt zunächst ein Empfangen eines mittels zumindest einer Sensoreinrichtung 11 erfassten Umgebungsbedingungszustands.

Der Begriff Umgebungsbedingungszustand stellt auf einen oder mehrere Messzeitpunkte ab, in denen der Zustand einer Umgebung einer gebäudetechnischen Anlage, beispielsweise die Temperatur, die Lichtverhältnisse und/oder die Windstärke und Windrichtung gemessen wird. Der Umgebungsbedingungszustand kann ferner allgemein verfügbare Informationen über den Zustand der Umgebung der gebäudetechnischen Anlage umfassen, beispielsweise eine Uhrzeit oder ein Datum. Ferner kann der Umgebungsbedingungszustand eine aktuell vorliegende Parametrierung 13 bzw. Einstellung einer jeweiligen gebäudetechnischen Anlage umfassen. Insofern ist ein Umgebungsbedingungszustand als eine oder mehrere durch einen Benutzer wahrnehmbare oder überprüfbare Umgebungsbedingungen zu verstehen.

Die zumindest eine Sensoreinrichtung 11 ist konfiguriert, um einen Umgebungsbedingungszustand in Form von Messdaten zu erfassen und kann insbesondere mehrere Sensoren aufweisen, beispielsweise einen ersten Temperatursensor für die Temperatur außerhalb des Gebäudes, einen zweiten Temperatursensor für die Temperatur innerhalb des Gebäudes einen Lichtsensor oder einen Windsensor.

Die in der Figur 2 dargestellte Ausführungsform umfasst die Steuerung einer gebäudetechnischen Anlage, insbesondere einer Sonnenschutz- und Beleuchtungsanlage, wobei das oben beschriebene computer-implementierte Verfahren zur Bestimmung einer Parametrierung 30 vorgesehen ist, welches ferner das ebenfalls oben beschriebene Verfahren zum Trainieren des maschinellen Lernmodells 22 umfasst.

In einem ersten Schritt erfolgt ein Empfangen eines mittels zumindest einer Sensoreinrichtung 11 erfassten Umgebungsbedingungszustands. Der Umgebungsbedingungszustand wird vorzugsweise skaliert, insbesondere in einem Wertebereich zwischen 0 und 1. Besonders bevorzugt wird der erfasste Umgebungsbedingungszustand als Vektor erfasst oder es werden die mittels der zumindest einen Sensoreinrichtung 11 erfassten Messwerte in eine Vektorform überführt, wobei, wenn eine Skalierung erfolgt, die Skalierung für jeden Wert des erfassten Umgebungsbedingungszustands-Vektors erfolgt.

In einem zweiten Schritt kann ein Bestimmen einer Anzahl in einer Datenbank 40 gespeicherter Umgebungsbedingungszustände, welche ein Ähnlichkeitskriterium hinsichtlich des erfassten Umgebungsbedingungszustands erfüllen, vorgesehen sein. Auch die gespeicherten Umgebungsbedingungszustände sind vorzugsweise skaliert und können insbesondere als Vektor vorliegen. Beim Bestimmen einer Anzahl in der Datenbank 40 gespeicherter Umgebungsbedingungszustände, welche ein Ähnlichkeitskriterium hinsichtlich des erfassten Umgebungsbedingungszustands erfüllen, wird die Unterschiedlichkeit und/oder Ähnlichkeit des erfassten Umgebungsbedingungszustands zu den gespeicherten Umgebungsbedingungszuständen überprüft. Dies kann auf die oben beschriebene Weise, insbesondere unter Verwendung des cell-lists Algorithmus erfolgen. Falls die Anzahl kleiner als ein vorgegebener Anzahlschwellwert, beispielsweise 3, ist, kann ein Bestimmen der Parametrierung 30 anhand mindestens einer vordefinierten Parametrierungsregel 21 erfolgen. Dadurch wird in vorteilhafter weise sichergestellt, dass auch bei einer nicht vorhandenen oder unzureichenden Datengrundlage in Form von gespeicherten Umgebungsbedingungszuständen eine Anpassung der Parametrierung bzw. Einstellung der gebäudetechnischen Anlage erfolgt und ein Mindestmaß an Benutzerkomfort auch in diesem Fall gewährleistet ist. Beispielsweise kann sich die mindestens eine vordefinierte Parametrierungsregel 21 an einer gewöhnlich zu erwartenden Präferenz eines durchschnittlichen Benutzers orientieren. Eine solche kann insbesondere in diesem Beispielfall vorliegen: Zu einer Tageszeit mit einer hohen Sonneneinstrahlung ist es gewöhnlicherweise gewünscht, dass die Sonnenschutzanlage einen gewissen Grad an Abschirmung des Raumes gegen die Sonneneinstrahlung bietet. Anhand einer vordefinierten Parametrierungsregel 21 , die dies abbildet, wird die Sonnenschutzanlage zumindest teilweise ausgefahren, wenn ein Lichtsensor eine hohe Sonneneinstrahlung erfasst.

Falls die Anzahl größer oder gleich als der vorgegebene Anzahlschwellwert ist, kann ein Bestimmen der Parametrierung anhand eines maschinellen Lernmodells 22 erfolgen. Das maschinelle Lernmodell 22 ist in der Lage die Präferenzen eines oder mehrerer Benutzer zu erlernen, so dass die neue Parametrierung 30 der gebäudetechnischen Anlage mittels des maschinellen Lernmodells 22, sofern eine ausreichende Datenbasis gegeben ist, die näher an den tatsächlichen Präferenzen des einen Benutzers oder der mehreren Benutzer liegt. Eine ausreichende Datenbasis ist, wie eingangs erläutert, dann vorhanden, wenn die Anzahl der gespeicherten Umgebungsbedingungszustände, die das Ähnlichkeitskriterium bezüglich des erfassten Umgebungsbedingungszustands erfüllen, größer ist als ein Anzahlschwellwert.

Erwähnt sei an dieser Stelle, dass die gespeicherten Umgebungsbedingungszustände mit den jeweils zugehörigen gespeicherten Parametrierungen paarweise in der Datenbank 40 vorliegen können. Mit anderen Worten: Das maschinelle Lernmodell 22 wird immer dann verwendet, wenn bereits genügend Erfahrungswerte über die Präferenzen des Benutzers vorliegen. Diese Erfahrungswerte können über einen längeren Benutzungszeitraum nach der Inbetriebnahme nach und nach erfasst werden. Beispielsweise kann jedes Mal, wenn der Benutzer mittels Bedienelementen die Parametrierung bzw. Einstellung der gebäudetechnischen Einstellung manuell ändert, diese Änderung in der Form gespeichert werden, dass der aktuelle Umgebungsbedingungszustand und die manuelle Parametrierung als Paar in die Datenbank 40 abgelegt werden. Das maschinelle Lernmodell 22 ersetzt somit nach einiger Zeit die vordefinierten Parametrierungsregeln 21. Da die vordefinierten Parametrierungsregeln 21 nur Regeln sein können, die sich beispielsweise an den Präferenzen eines Bevölkerungsdurchschnitts orientieren, können diese Parametrierungsregeln 21 nicht die Präferenzen des konkreten Benutzers oder der konkreten Benutzer der gebäudetechnischen Anlage hinreichend abbilden. Das maschinelle Lernmodell 22 vermag jedoch diese Präferenzen mit einer relativ hohen Präzision abzubilden, nachdem genügen gespeicherte Umgebungsbedingungszustände in der Datenbank 40 vorliegen, auf die zurückgegriffen werden kann.

Die konkrete Anpassung einer aktuell vorliegenden Parametrierung 13 an eine mittels des Verfahrens bestimmte (neue) Parametrierung 30 kann besonders bevorzugt durch Senden eines Befehls der aktuell vorliegenden Parametrierung 13 zur bestimmten (neuen) Parametrierung 30 erfolgen. Besonders bevorzugt ist vorgesehen, dass die Anpassung bzw. das Senden des Befehls nur dann erfolgt, wenn die bestimmte (neue) Parametrierung 30 um einen vordefinierten Parametrierungsschwellwert von der aktuell vorliegenden Parametrierung 13 abweicht. Dadurch wird gewährleistet, dass geringfügige Abweichungen zwischen der bestimmten (neuen) Parametrierung 30 und der aktuell vorliegenden Parametrierung 13 unbeachtet bleiben. Dies ist besonders im Hinblick auf den Energiebedarf der gebäudetechnischen Anlage vorteilhaft, da unnötige Änderungen unterbleiben. Auch wird durch den Parametrierungsschwellwert der Benutzerkomfort gesteigert, da der Benutzer nicht durch etwaige Geräusche, beispielsweise beim Ein- oder Ausfahren einer Sonnenschutzanlage, gestört wird, wenn dies nicht erforderlich ist. Beispielsweise kann ein Parametrierungsschwellwert als eine 5 %-ige Abweichung von einer gewünschten bzw. optimalen Helligkeit in Lux definiert sein. Weicht die tatsächliche Helligkeit um maximal 5 % von der gewünschten bzw. optimalen Helligkeit in Lux ab, so wird dies als geringfügige Abweichung ignoriert und führt nicht zu einer Änderung der Parametrierung.

Das im Rahmen des Verfahrens eingesetzte maschinelle Lernmodell wird, insbesondere kontinuierlich, durch ein Trainingsverfahren trainiert. Das Trainingsverfahren kann insbesondere ein überwachtes maschinelles Lernen und/oder ein bestärkendes maschinelles Lernen umfassen. Im Einzelnen kann das Trainingsverfahren gemäß der Ausführungsform der Figur 2 wie folgt ausgestaltet sein:

In Antwort auf eine manuelle Parametrierung einer gebäudetechnischen Anlage oder eine unterlassene Parametrierung für einen vordefinierten Zeitraum umfasst das Verfahren ein Speichern eines Umgebungsbedingungszustands und einer zugehörigen Parametrierung der gebäudetechnischen Anlage in einer Datenbank 40. Ferner umfasst das Verfahren ein Trainieren des maschinellen Lernmodells 22 unter Verwendung zumindest eines Teils der Umgebungsbedingungszustände und zugehörigen Parametrierungen in der Datenbank 40.

Eine manuelle Parametrierung der gebäudetechnischen Anlage in der vorliegenden Ausführungsform entspricht einer Bedienung von Bedienelementen der gebäudetechnischen Anlage durch einen Benutzer. Ein Unterlassen einer manuellen Parametrierung der gebäudetechnischen Anlage in der vorliegenden Ausführungsform entspricht einem Unterlassen einer Bedienung der Bedienelemente der gebäudetechnischen Anlage.

Es kann in allen Ausführungsformen der vorliegenden Erfindung optional vorgesehen sein, dass ein Unterlassen einer Parametrierung für einen vordefinierten Zeitraum nur zu einem Speichern eines Umgebungsbedingungszustands und einer zugehörigen Parametrierung der gebäudetechnischen Anlage in einer Datenbank 40 führt, wenn zudem eine Belegung des Raumes und/oder des Gebäudes mit mindestens einem Benutzer vorliegt. Die Belegung kann beispielsweise mittels eines als Sensoreinrichtung 11 ausgebildeten Belegungssensors ermittelt werden.

Sofern eine Parametrierung den Präferenzen des Benutzers entspricht, wird dieser eine Änderung der Parametrierung über die Bedienelemente 12 der Sonnenschutzanlage unterlassen. Zum Trainieren des maschinellen Lernmodells 22 kann beispielsweise, nachdem eine Parametrierung anhand einer vordefinierten Parametrierungsregel 21 bestimmt worden ist, die Zeit erfasst werden, in der der Benutzer keine Änderung über die Bedienelemente 12 vornimmt (Unterlassen einer manuellen Parametrierung oder bzw. Unterlassen einer Bedienung der Bedienelemente). Sofern der Benutzer für eine bestimmte Zeit keine manuelle Parametrierung vornimmt, kann darauf rückgeschlossen werden, dass die Parametrierung seinen tatsächlichen Präferenzen beim vorliegenden Umgebungsbedingungszustand entspricht. Der erfasste Umgebungsbedingungszustand und die zugehörige Parametrierung werden als gespeicherter Umgebungsbedingungszustand in die Datenbank 40 hinterlegt und als Trainingsdaten des maschinellen Lernmodells 22 verwendet.

Es kann mit anderen Worten vorgesehen sein, dass beim Trainieren des maschinellen Lernmodells eine Bedienung von Bedienelementen der gebäudetechnischen Anlage durch einen Benutzer und/oder eine Belegung des Raums und Unterlassung einer Bedienung der Bedienelemente für einen vordefinierten Zeitraum erfasst wird und insbesondere der vorliegende Umgebungsbedingungszustand (mit zugehöriger Parametrierung) in der Datenbank 40 hinterlegt wird. Besonders bevorzugt kann vorgesehen sein, dass wenn ein weiteres Kriterium erfüllt ist, ein in der Datenbank 40 gespeicherter Umgebungsbedingungszustand (mit zugehöriger Parametrierung) eine höhere oder niedrigere Gewichtung erhält als andere in der Datenbank 40 gespeicherte Umgebungsbedingungszustände (mit zugehöriger Parametrierung). Beispielsweise kann ein weiteres Kriterium, das zu einer höheren Gewichtung eines gespeicherten Umgebungsbedingungszustands (mit zugehöriger Parametrierung) führt, eine Unterlassung einer Bedienung der Bedienelemente für einen weiteren längeren Zeitraum sein.

Sofern hingegen die Parametrierung den Präferenzen des Benutzers nicht entspricht, wird dieser manuell über die Bedienelemente 12 eine Änderung der Parametrierung vornehmen und beispielsweise die Sonnenschutzanlage weiter einfahren oder weiter ausfahren. Zum Trainieren des maschinellen Lernmodells 22 kann beispielsweise, nachdem eine manuelle Parametrierung durch den Benutzer erfolgt ist, darauf rückgeschlossen werden, dass die neue Parametrierung 30 den Präferenzen des Benutzers bei dem vorliegenden Umgebungsbedingungszustand entspricht. Der erfasste Umgebungsbedingungszustand und die zugehörige Parametrierung werden als gespeicherter Umgebungsbedingungszustand in die Datenbank 40 hinterlegt und als Trainingsdaten des maschinellen Lernmodells 22 verwendet. Alternativ oder zusätzlich kann nach einer manuellen Parametrierung durch den Benutzer die Zeit erfasst werden, in der der Benutzer anschließend keine Änderung über die Bedienelemente 12 vornimmt. Wird eine vordefinierte Zeitspanne nach der manuellen Parametrierung keine weitere Änderung über die Bedienelemente 12 erfasst, kann darauf rückgeschlossen werden, dass nunmehr eine Parametrierung vorliegt, die für den vorliegenden Umgebungsbedingungszustand den Präferenzen des Benutzers entspricht. Der erfasste Umgebungsbedingungszustand und die zugehörige Parametrierung werden als gespeicherter Umgebungsbedingungszustand in die Datenbank 40 hinterlegt und als Trainingsdaten des maschinellen Lernmodells 22 verwendet.

Die Gewichtung kann, beispielsweise im Rahmen eines bestärkenden maschinellen Lernens, analog zum Prinzip von „Belohnung und Bestrafung“ erfolgen. Belohnungen können dabei zu einer höheren Gewichtung von gespeicherten Umgebungsbedingungszuständen führen, während Bestrafungen zu einer geringeren Gewichtung von gespeicherten Umgebungsbedingungszuständen führen können. Es kann insbesondere sein, dass nur eine höhere Gewichtung (Belohnung) oder nur eine niedrigere Gewichtung (Bestrafung) vorgesehen ist. Eine Belohnung und damit höhere Gewichtung eines Umgebungsbedingungszustands kann insbesondere mit zunehmender Zeitdauer, in der ein Benutzer keine Bedienung der Bedienelemente durchführt, ausgelöst werden. Die Belohnung bzw. höhere Gewichtung kann beispielsweise kontinuierlich mit der Zeitdauer des Unterlassens einer Bedienung der Bedienelemente ansteigen. Eine Bestrafung bzw. geringere Gewichtung von Umgebungsbedingungszuständen kann insbesondere dann ausgelöst werden, wenn ein Benutzer eine Bedienung der Bedienelemente vornimmt. Je öfter ein Benutzer eine Bedienung vornimmt, desto höher kann die Bestrafung bzw. die geringere Gewichtung ausfallen, durch eine Benutzung dieser.

Das bestärkende maschinelle Lernen umfasst vorzugsweise Kriterien, die bestimmte Aktionen eines Benutzers, insbesondere Bedienungen von Bedienelementen, mit einer Belohnung bzw. höheren Gewichtung oder mit einer Bestrafung bzw. geringeren Gewichtung eines Umgebungsbedingungszustands verknüpft. Insbesondere können die Kriterien im Rahmen eines eigenen Kriterien-Lernmodells fortentwickelt werden, um die Bedingungen für und die Höhe von Änderungen von Gewichtungen zu optimieren. Dadurch können in vorteilhafter Weise auch Totzeiten berücksichtigt werden, die beispielsweise beim Heizen und Kühlen auftreten. Eine Totzeit kann insbesondere durch eine Differenz zwischen einer gefühlten Temperatur und einer tatsächlichen Temperatur auftreten und kann beispielsweise die Zeit sein, die vergeht, bis sich die gefühlte und die tatsächliche Temperatur angleichen.

Es kann ferner eine Speicherbereinigung vorgesehen sein, wobei überprüft wird, ob die Anzahl von gespeicherten Umgebungsbedingungszuständen eine vorgegebene Höchstzahl übersteigen. Die Höchstzahl kann insbesondere eine maximal erlaubte Anzahl von gespeicherten Umgebungsbedingungszuständen sein. Im Rahmen der Speicherbereinigung kann insbesondere vorgesehen sein, dass der cell-lists Algorithmus verwendet wird. In diesem Fall kann die Höchstzahl besonders vorteilhaft pro Zelle im cell-lists Algorithmus vorgegeben sein, beispielsweise als 100 Umgebungsbedingungszustände pro Zelle. Falls die Anzahl von gespeicherten Umgebungsbedingungszuständen die Höchstzahl bzw. die Höchstzahl innerhalb einer Zelle des cell-lists Algorithmus übersteigt, kann ein Löschen der ältesten gespeicherten Umgebungsbedingungszustände erfolgen, bis die Anzahl von gespeicherten Umgebungsbedingungszuständen die Höchstzahl nicht mehr übersteigt. Das Vorsehen einer Speicherverwaltung geht mit bereits oben beschriebenen Vorteilen einher. Die Speicherverwaltung kann als ein Teil einer Überwachung im Sinne eines überwachten maschinellen Lernens verstanden werden.

Ferner kann vorgesehen sein, dass das Trainieren des maschinellen Lernmodells 22 mittels überwachtem und/oder bestärkendem maschinellen Lernen erfolgt. Besonders bevorzugt ist beim Trainieren des maschinellen Lernmodells 22 ferner die Verwendung von Training/Test- und/oder Cross-Validation Splitting der gespeicherten Umgebungsbedingungszustände (und zugehörigen Parametrierungen) vorgesehen (vgl. obige Erläuterungen).

Insgesamt deutlicher wird die vorgeschlagene Funktionsweise mit Blick auf die Benutzungslebensspanne einer gebäudetechnischen Anlage, beginnend mit der Erstinstallation. Zu Beginn liegen noch keine gespeicherten Umgebungsbedingungszustände (und zugehörige Parametrierungen) vor, sondern nur vordefinierte Parametrierungsregeln 21 , die beispielsweise vom Hersteller der gebäudetechnischen Anlage vorgesehen sein können und an einem hypothetischen Durchschnittsbenutzer orientiert sein können. Im Betrieb werden durch eine Sensoreinrichtung 11 kontinuierlich oder in diskreten Zeitabständen Umgebungsbedingungszustände erfasst und es wird auf die vordefinierten Parametrierungsregeln 21 zurückgegriffen. Dies kann als eine erste Phase der Benutzungslebensspanne der gebäudetechnischen Anlage angesehen werden. Nach einiger Zeit hat der Benutzer, der beispielsweise Bewohner desjenigen Gebäudes ist, für das die gebäudetechnische Anlage vorgesehen ist, manuelle Einstellungen mithilfe von Bedienelementen vorgenommen oder, sofern die Parametrierungen anhand der vordefinierten Parametrierungsregeln 21 seinen Präferenzen entsprechen, die manuelle Einstellung unterlassen. Durch die manuellen Einstellungen und das Unterlassen von manuellen Einstellungen, beispielsweise für einen vorgegebenen Zeitraum, werden gespeicherte Umgebungsbedingungszustände (und zugehörige Parametrierungen) in die Datenbank 40 abgelegt. Bei sich häufig wiederholenden erfassten Umgebungsbedingungszuständen kann mittels des maschinellen Lernmodells 22 auf diese zurückgegriffen werden. Bei selten auftretenden erfassten Umgebungsbedingungszuständen bleibt weiterhin der Rückgriff auf die vordefinierten Parametrierungsregeln 21. In dieser Phase, die als zweite Phase der Benutzungslebensspanne der gebäudetechnischen Anlage angesehen werden kann, werden sowohl das maschinelle Lernmodell 22 als auch die vordefinierten Parametrierungsregeln 21 benötigt und verwendet. Nachdem eine weitere Zeit vergangen ist und das maschinelle Lernmodell 22 auf eine hinreichende Anzahl von gespeicherten Umgebungsbedingungszuständen (und zugehörigen Parametrierungen) zurückgreifen kann, wird vornehmlich das maschinelle Lernmodell 22, im Idealfall nur noch das maschinelle Lernmodell 22, verwendet. Dieser Zustand kann als dritte Phase der Benutzungslebensspanne der gebäudetechnischen Anlage angesehen werden. Sollte ein Wechsel des Benutzers, beispielsweise durch einen Wechsel des Mieters eines Gebäudes stattfinden, ist das maschinelle Lernmodell 22 auf die oben beschriebene Weise in der Lage, sich an die gegebenenfalls neuen Präferenzen nach und nach anzupassen. Vorzugsweise kann eine Zurücksetzen-Funktion der Datenbank 40 der gespeicherten

Umgebungsbedingungszustände (und zugehörige Parametrierungen) vorgesehen sein.

Die oben beschriebenen Methoden des bestärkenden maschinellen Lernens können, wie im Falle der zeitspannenabhängigen Gewichtung von gespeicherten Umgebungsbedingungszuständen, besonders vorteilhaft für Sonnenschutz- und Beleuchtungsanlagen bzw. für eine Sonnenschutz- und Beleuchtungssteuerung eingesetzt werden.

Eine besondere Anwendung des erfindungsgemäßen Verfahrens kann ferner bei der Steuerung von Klimaanlagen und Heizungsanlagen, die Teil einer gebäudetechnischen Anlage sein können, erfolgen. Üblicherweise erfolgt eine Steuerung von Klimaanlagen und Heizungsanlagen regelbasiert. Oft ist es über die entsprechenden Bedienelemente 12 nur möglich, den Temperatursollwert zu ändern. Bei der Steuerung des Kühlens besteht die Herausforderung, dass es durch die Kühlung je nach räumlichen Gegebenheiten einen für den Benutzer spürbaren Luftzug geben kann. Durch diesen sogenannten Windchill weicht die gefühlte Temperatur nach unten von der gemessenen Temperatur ab. Dieser Effekt kann bei betroffenen Benutzern zu einem Höherstellen des Temperatursollwertes führen. Manche Benutzer versuchen auch mangels eines Aus-Schalters für die Steuerung der Kühlung, diese mittels Öffnens des Fensters (und damit Betätigung des Fensterkontakts) zu stoppen. Dieses führt zu einer Erhöhung des Energieverbrauchs, da nach Schließen des Fensters die Temperatur in der Regel angestiegen ist und der Raum stärker gekühlt wird. Die optimale Steuerung des Kühlens unterscheidet sich in der Regel für jeden Benutzer Nutzer und gegebenenfalls für jeden Raum und beinhaltet neben dem Erreichen des gewünschten Temperatursollwertes auch die Minimierung der Belastung der Benutzer durch kühlungsbedingten Luftzug. Die Verwendung des erfindungsgemäßen Verfahrens, insbesondere für Kühlungsanlagen, ermöglicht es, dass die Präferenzen eines Benutzers berücksichtigt werden, ohne vom Benutzer einen konkreten Temperatursollwert zu fordern. Dies ist besonders vorteilhaft, zumal ein Benutzer in der Regel sein subjektives Temperaturempfinden nur unpräzise in Form eines Temperatursollwerts ausdrücken kann. Das Verfahren kann ferner eine Totzeit berücksichtigen, innerhalb derer eine gefühlte Temperatur von einer tatsächlichen Temperatur abweicht. Als Teil der Sensoreinrichtung 11 kann ferner ein Berührungssensor an einem Fenster vorgesehen sein, der einen Fensterkontakt des Benutzers registriert und berücksichtigt. Obwohl einige Aspekte im Rahmen einer Vorrichtung beschrieben wurden, ist es klar, dass diese Aspekte auch eine Beschreibung des entsprechenden Verfahrens darstellen, wobei ein Block oder eine Vorrichtung einem Verfahrensschritt oder einer Funktion eines Verfahrensschritts entspricht. Analog dazu stellen Aspekte, die im Rahmen eines Verfahrensschritts beschrieben werden, auch eine Beschreibung eines entsprechenden Blocks oder Elements oder einer Eigenschaft einer entsprechenden Vorrichtung dar.

Ausführungsbeispiele der Erfindung können in einem Computersystem realisiert werden. Das Computersystem kann eine lokale Computervorrichtung (z.B. Personalcomputer, Laptop, Tablet-Computer oder Mobiltelefon) mit einem oder mehreren Prozessoren und einer oder mehreren Speichervorrichtungen oder kann ein verteiltes Computersystem (z.B. ein Cloud-Computing-System mit einem oder mehreren Prozessoren oder einer oder mehreren Speichervorrichtungen, die an verschiedenen Stellen verteilt sind, zum Beispiel an einem lokalen Client und/oder einer oder mehreren Remote-Server-Farms und/oder Datenzentren) sein. Das Computersystem kann irgendeine Schaltung oder Kombination von Schaltungen umfassen. Bei einem Ausführungsbeispiel kann das Computersystem einen oder mehrere Prozessoren umfassen, die von irgendeinem Typ sein können. Nach hiesigem Gebrauch kann Prozessor irgendein Typ von Rechenschaltung bedeuten, wie beispielsweise, aber nicht beschränkt auf, ein Mikroprozessor, ein Mikrocontroller, ein Mikroprozessor mit komplexem Befehlssatz (CISC), ein Mikroprozessor mit reduziertem Befehlssatz (RISC), ein Sehr-Ianges-Anweisungswort- (Very Long Instruction Word; VLIW) Mikroprozessor, ein Graphikprozessor, ein digitaler Signalprozessor (DSP), ein Multi-Core-Prozessor, ein feldprogrammierbares Gate-Array (FPGA) oder irgendein anderer Typ von Prozessor oder Verarbeitungsschaltung. Andere Typen von Schaltungen, die in dem Computersystem umfasst sein können, können eine speziell angefertigte Schaltung, eine anwendungsspezifische integrierte Schaltung (ASIC) oder Ähnliches, wie beispielsweise eine oder mehrere Schaltungen (z. B. eine Kommunikationsschaltung) zur Verwendung bei drahtlosen Vorrichtungen wie z. B. Mobiltelefonen, Tablet-Computern, Laptop-Computern, Funksprechgeräten und ähnlichen elektronischen Systemen sein. Das Computersystem kann eine oder mehrere Speichervorrichtungen umfassen, die ein oder mehrere Speicherelemente umfassen können, die für die jeweilige Anwendung geeignet sind, wie beispielsweise einen Hauptspeicher in der Form eines Direktzugriffsspeichers (RAM, Random Access Memory), eine oder mehrere Festplatten und/oder ein oder mehrere Laufwerke, die entfernbare Medien, wie beispielsweise CDs, Flash-Speicherkarten, DVD und Ähnliches handhaben. Das Computersystem kann auch eine Anzeigevorrichtung, einen oder mehrere Lautsprecher, und eine Tastatur und/oder Steuerung umfassen, die eine Maus, Trackball, Touchscreen, Stimmerkennungsvorrichtung oder irgendeine andere Vorrichtung umfassen kann, die es einem Systemnutzer erlaubt, Information in das Computersystem einzugeben und Information von demselben zu empfangen.

Einige oder alle Verfahrensschritte können durch (oder unter Verwendung) einer Hardwarevorrichtung ausgeführt werden, wie es zum Beispiel ein Prozessor, ein Mikroprozessor, ein programmierbarer Computer oder eine elektronische Schaltung sein kann. In einigen Ausführungsbeispielen können ein oder mehrere der wichtigsten Verfahrensschritte durch eine solche Vorrichtung ausgeführt werden.

Abhängig von bestimmten Implementierungsanforderungen können Ausführungsbeispiele der Erfindung in Hardware oder Software implementiert werden. Die Implementierung kann mit einem nicht-flüchtigen Speichermedium wie einem digitalen Speichermedium, wie beispielsweise einer Diskette, einer DVD, einem Blu-Ray, einer CD, einem ROM, einem PROM und EPROM, einem EEPROM oder einem FLASH-Speicher, durchgeführt werden, auf dem elektronisch lesbare Steuersignale gespeichert sind, die mit einem programmierbaren Computersystem so Zusammenwirken (oder Zusammenwirken können), dass das jeweilige Verfahren durchgeführt wird. Daher kann das digitale Speichermedium computerlesbar sein.

Einige Ausführungsbeispiele gemäß der Erfindung umfassen einen Datenträger mit elektronisch lesbaren Steuersignalen, die mit einem programmierbaren Computersystem Zusammenwirken können, so dass eines der hierin beschriebenen Verfahren durchgeführt wird.

Im Allgemeinen können Ausführungsbeispiele der vorliegenden Erfindung als Computerprogrammprodukt mit einem Programmcode implementiert werden, wobei der Programmcode für die Ausführung eines der Verfahren wirksam ist, wenn das Computerprogrammprodukt auf einem Computer läuft. Der Programmcode kann beispielsweise auf einem maschinenlesbaren Träger gespeichert werden.

Weitere Ausführungsbeispiele umfassen das Computerprogramm zur Durchführung eines der hierin beschriebenen Verfahren, das auf einem maschinenlesbaren Träger gespeichert ist. Mit anderen Worten, ein Ausführungsbeispiel der vorliegenden Erfindung ist daher ein Computerprogramm mit einem Programmcode zur Durchführung eines der hierin beschriebenen Verfahren, wenn das Computerprogramm auf einem Computer läuft.

Ein weiteres Ausführungsbeispiel der vorliegenden Erfindung ist daher ein Speichermedium (oder ein Datenträger oder ein computerlesbares Medium), das ein darauf gespeichertes Computerprogramm zum Ausführen eines der hierin beschriebenen Verfahren umfasst, wenn es von einem Prozessor ausgeführt wird. Der Datenträger, das digitale Speichermedium oder das aufgezeichnete Medium sind in der Regel greifbar und/oder nicht übergangslos. Eine weiteres Ausführungsbeispiel der vorliegenden Erfindung ist eine Vorrichtung, wie hierin beschrieben, die einen Prozessor und das Speichermedium umfasst.

Ein weiteres Ausführungsbeispiel der Erfindung ist daher ein Datenstrom oder eine Signalfolge, die das Computerprogramm zur Durchführung eines der hierin beschriebenen Verfahren darstellt. Der Datenstrom oder die Signalfolge kann beispielsweise so konfiguriert werden, dass sie über eine Datenkommunikationsverbindung, beispielsweise über das Internet, übertragen werden.

Ein weiteres Ausführungsbeispiel umfasst ein Verarbeitungsmittel, zum Beispiel einen Computer oder eine programmierbare Logikvorrichtung, das konfiguriert oder angepasst ist, um eines der hierin beschriebenen Verfahren auszuführen.

Ein weiteres Ausführungsbeispiel umfasst einen Computer, auf dem das Computerprogramm zum Ausführen eines der hierin beschriebenen Verfahren installiert ist.

Ein weiteres Ausführungsbeispiel gemäß der Erfindung umfasst eine Vorrichtung oder ein System, das konfiguriert ist, um (zum Beispiel elektronisch oder optisch) ein Computerprogramm zum Ausführen eines der hierin beschriebenen Verfahren an einen Empfänger zu übertragen. Der Empfänger kann beispielsweise ein Computer, eine mobile Vorrichtung, eine Speichervorrichtung oder dergleichen sein. Die Vorrichtung oder das System kann beispielsweise einen Dateiserver zum Übertragen des Computerprogramms an den Empfänger umfassen.

In einigen Ausführungsbeispielen kann eine programmierbare logische Vorrichtung (z.B. eine feldprogrammierbare Gatteranordnung, FPGA) verwendet werden, um einige oder alle Funktionalitäten der hierin beschriebenen Verfahren auszuführen. In einigen Ausführungsbeispielen kann eine feldprogrammierbare Gatteranordnung mit einem Mikroprozessor Zusammenarbeiten, um eines der hierin beschriebenen Verfahren durchzuführen. Im Allgemeinen werden die Verfahren vorzugsweise von jedem Hardwaregerät durchgeführt.

BEZUGSZEICHENLISTE Sensoreinrichtung 11

Bedienelemente 12

Vorliegende Parametrierung 13

Parametrierung 30

Steuerung 20 Vordefinierte Parametrierungsregeln 21

Maschinelles Lernmodell 22

Datenbankverwaltung 23

Datenbank 40